#! /bin/sh
# #############################################################################

       NAME_="CoOcurrencias"
       HTML_="calcular co-ocurrencia de palabras"
    PURPOSE_="generar matriz de coocurrencias"
   SYNOPSIS_="$NAME_ <lista> <archivo> <ancho>"
   REQUIRES_="comandos GNU estándares"
    VERSION_="1.0"
       DATE_="2008-06-07"
     AUTHOR_="Alvaro Huertas <alvaro@dcs.gla.ac.uk>"
        URL_="www.dcs.gla.ac.uk/~alvaro"
#   CATEGORY_="gfx"
   PLATFORM_="Linux"
      SHELL_="bash"
 DISTRIBUTE_="yes"

# #############################################################################
# Este programa puede ser usado, modificado y distribuído como sea.
# Se agradece pero no se exige el crédito al autor.

usage () {

echo >&2 "$NAME_ $VERSION_ - $PURPOSE_
Usage: $SYNOPSIS_
Requires: $REQUIRES_"
    exit 1
}

CoOcurrencias() {

    # arg check
    [ ! -f $1 ] && { echo >&2 archivo $1 no se encontró; continue ;}
    [ ! -f $2 ] && { echo >&2 archivo $2 no se encontró; continue ;}
    [ ! -f $3 ] && { echo >&2 falta ancho de ventana; continue ;}


}

lista=$1
texto=$2
ancho=$3

echo "lista de palabras en " $lista
echo "archivo de texto " $texto
echo "ventanas de " $ancho " palabras"
# Borrar signo número
tr -d "#" < $texto > archivo01.txt

# PASAR TILDES A CÓDIGO
b=0; for a in "á" "é" "í" "ó" "ú" "ñ" "ü"; do let "b = $b+1"; sed "s/$a/#$b/" archivo01.txt > archivo02.txt; mv -f archivo02.txt archivo01.txt; done

# PASAR MAYÚSCULAS A MINÚSCULAS:
tr "A-Z" "a-z" < archivo01.txt > TextoMin1.txt
rm -f archivo01.txt

# TILDES A MAYÚSCULAS
b=0; for a in "A" "E" "I" "O" "U" "N" "IU"; do let "b = $b+1"; sed "s/#$b/$a/" TextoMin1.txt > TextoMin2.txt; mv -f TextoMin2.txt TextoMin1.txt; done

# BORRAR OTROS SÍMBOLOS:
tr -c /A-Za-z/ " " < TextoMin1.txt > TextoLetras.txt
rm -f TextoMin1.txt

# DEJAR UNA PALABRA POR LINEA
tr -s ' ' '\n' < TextoLetras.txt > ColumnaPalabras.txt
rm -f TextoLetras.txt

# VOLVER A PONER TILDES
b=0; for a in "A" "E" "I" "O" "U" "N" "IU"; do let "b = $b+1"; sed "s/$a/#$b/" ColumnaPalabras.txt > auxiliar.txt; mv -f auxiliar.txt ColumnaPalabras.txt; done
b=0; for a in "á" "é" "í" "ó" "ú" "ñ" "ü"; do let "b = $b+1"; sed "s/#$b/$a/" ColumnaPalabras.txt > auxiliar.txt; mv -f auxiliar.txt ColumnaPalabras.txt; done

# PONERLE ESPACIOS ANTES Y DESPUÉS
awk '{print " " $1 " "}' ColumnaPalabras.txt > ColumnaPalabrasE.txt
mv -f ColumnaPalabrasE.txt ColumnaPalabras.txt

# ESTADISTICAS
sort ColumnaPalabras.txt | uniq -c | sort -g > TerminosContados.txt

# Hacer los archivos correspondientes a las ventanas alrededor de cada palabra

echo "creando archivos con conteos alrededor de palabras en la carpeta ventanas"

mkdir ventanas
b=0; for a in $(cat $lista); do let "b = $b+1"; grep -C $ancho $a ColumnaPalabras.txt | sort | uniq -c | grep -f $lista | sort -n > ventanas/$b.dat; done
rm -f ColumnaPalabras.txt

echo "archivos de ventanas creados"

# Todas las ventanas a un archivo

b=0; for a in $(cat $lista); do let "b = $b+1"; awk -v v=$a '{print " " v " " $2 "   " $1}' ventanas/$b.dat >> resultadosCC.out; done


# Cambiar las palabras por números
cp resultadosCC.out resultadosCCN.out
b=0; for a in $(cat $lista); do let "b=$b+1"; sed -e "s/ $a / $b /" -e "s/ $a   / $b   /" resultadosCCN.out > resultsCCN2.out; mv -f resultsCCN2.out resultadosCCN.out; done